资源描述
敬请参阅最后一页特别声明 1 行业观点 大模型能力正从数字世界向物理世界扩散,资本投入、模型升级与工具链完善共同推动本轮物理大模型能力正从数字世界向物理世界扩散,资本投入、模型升级与工具链完善共同推动本轮物理 AI 技术变革。技术变革。AMD 拟以约 82 亿美元收购 World Labs,验证世界模型与空间智能的战略价值。2026 年全球世界模型融资热度显著上升,AMI Labs、World Labs、Odyssey 等海外企业密集完成大额融资,国内 VAST 和极佳视界亦连续获得资金支持。模型御三家中,OpenAI 明确人形机器人研发方向,Google 已形成从视觉、动作到世界模型和端侧部署的长期技术积累,Anthropic 则通过能力研究与外部潜在接触补充机器人储备。NVIDIA 持续完善Physical AI 工具链,推动物理 AI 由本体和零部件向模型、数据、仿真与硬件协同发展的产业体系扩展。通用模型开始参与真实机器人操作,具身能力从技术演示逐步进入可验证阶段。通用模型开始参与真实机器人操作,具身能力从技术演示逐步进入可验证阶段。在未针对特定机器人本体进行大规模微调和后训练的情况下,通用模型已经能够根据语言指令和摄像头画面完成任务理解、空间定位和动作规划。Robocurve 测试中,GPT-6 Astra 在积木入碗任务中完成 19/20 次,但在圆形拼图任务中仅完成 2/20次,说明模型已具备基础操作能力,精细接触和复杂任务仍是主要瓶颈。AA-Robotics 进一步通过统一机械臂、环境和任务比较不同模型,使通用模型的机器人能力开始具备可量化、可横向比较的验证方式。行业行业 Benchmark 与分层架构逐步完善,物理与分层架构逐步完善,物理 AI 的产业能见度和技术分工进一步清晰。的产业能见度和技术分工进一步清晰。此前 BEHAVIOR、RoboChallenge 等评测受任务复杂、成本较高和企业参评意愿有限等因素影响,尚未形成广泛认可的机器人榜单;AA-Robotics 通过统一条件测试八类桌面任务,推动行业由企业演示走向标准化评测。Figure Helix 02 的S0、S1、S2 架构则分别对应底层控制、动作策略和高层理解与规划。模型巨头预计先强化 S2 并逐步向 S1 渗透,抬升机器人智能的能力下限;与此同时,缺少数据和场景壁垒的独立模型企业可能面临竞争,真实交互数据、S0 低延迟控制、硬件适配和系统交付的重要性将进一步提高。从交易结构看,物理从交易结构看,物理 AI 具备逻辑顺、筹码轻、催化密和板块容量大的特点。具备逻辑顺、筹码轻、催化密和板块容量大的特点。在科技板块轮动背景下,物理 AI有望承接科技资金轮动。建议关注三条主线:一是机器人本体与 T 链供应链,包括特斯拉 Optimus、智元、宇树科技、上纬新材以及三花智控等;二是数据采集与空间感知,包括海天瑞声的数据集、奥比中光的 RGB-D相机和禾赛 Kosmo 等三维数据产品;三是仿真、渲染与模型工具,包括摩尔线程、协创数据的具身智能仿真平台,索辰科技的 CAE 及物理 AI 平台、凡拓数创的 3D 渲染和 Sim2Real 方案等。相关标的 1)本体:特斯拉、智元、上纬新材、宇树科技。2)北美链:科森科技、斯菱智驱、岱美股份、世运电路、福赛科技、蓝思科技、浙江荣泰、三花智控、恒立液压、北特科技、拓普集团、科达利、万向钱潮等。3)机器人大脑相关:摩尔线程、协创数据、索辰科技、仙工智能、宝通科技、五一视界、海天瑞声、道通科技、群核科技、智微智能、爱芯元智等。4)其他核心机器人链:领益智造、奥比中光、绿的谐波、禾赛、速腾聚创、海康威视等。风险提示 通用模型空间理解、任务规划及机器人控制能力进展不及预期的风险;机器人商业化、订单及量产节奏不及预期的风险;现有 Benchmark 无法充分代表真实场景能力的风险;仿真合成数据质量不及预期的风险;AI 芯片、算力和端侧部署进度不及预期的风险;行业竞争加剧、技术路线变化及相关公司估值波动的风险。行业专题研究报告 敬请参阅最后一页特别声明 2 扫码获取更多服务 内容目录内容目录 一、技术变革:大模型能力向物理世界扩散,多重事件催化行情.4 1.1 高溢价交易验证世界模型的战略价值.4 1.2 模型御三家加速布局物理 AI.6 1.2.1 OpenAI 明确机器人研发方向,通用模型与本体结合预期强化.6 1.2.2 Google 多年投入形成跨层技术体系,模型与仿真协同构筑优势.8 1.2.3 Anthropic 以能力研究与外部接触补充机器人储备.11 1.3 英伟达持续强化 Physical AI 框架,NVIDIA 全栈布局降低开发门槛.11 二、产业进展:通用模型开始参与操作,公开评测提高行业能见度.13 2.1 通用模型涌现具身能力.13 2.2 机器人 Benchmark 的诞生.13 2.3 S0、S1、S2 构成具身智能的分层架构.15 2.4 巨头入局有望加速具身智能进入产业化阶段.16 三、交易分析:关注本体、数采及仿真龙头.17 3.1 板块位置与交易结构.17 3.2 三条投资主线.18 3.2.1 机器人本体与 T 链供应链.18 3.2.2 数据采集与空间感知.19 3.2.3 仿真、渲染与模型.20 四、相关标的.21 五、风险提示.21 图表目录图表目录 图表 1:Marble 可将图像、视频等输入转化为可探索的三维场景.4 图表 2:Marble 可将图像、视频等输入转化为可探索的三维场景.5 图表 3:HunyuanWorld1.0 架构.6 图表 4:HunyuanWorld1.0 可生成 360沉浸式 3D 世界.6 图表 5:GPT-6 Astra 在 ARC-AGI-3 交互式环境评测中表现领先.7 图表 6:OpenAI 2019 年论文展示利用仿真训练的策略控制机械手完成魔方操作.7 图表 7:OpenAI 结合视觉状态估计与控制策略将机械手迁移至真机.8 图表 8:Google RT-1 架构.8 图表 9:Google RT-2 架构与训练.9 图表 10:Google RT-1-X 与 RT-2-X 架构图.9 图表 11:Google RT-1 与 RT-1-X 在小数据集场景下的成功率对比.9 行业专题研究报告 敬请参阅最后一页特别声明 3 扫码获取更多服务 图表 12:Google-ER 能够识别物体、指向物体的各个部分.10 图表 13:Robotics 2 搭载 Inspire 灵巧手的全身操作任务成功率.10 图表 14:Robotics 2 搭载 SharpaWave 五指灵巧手的精细操作任务成功率.10 图表 15:Anthropic Embody 测评各大模型机器人控制能力.11 图表 16:NVIDIA Isaac GR00T N1.12 图表 17:黄仁勋在柏林展示人形机器人参考平台.12 图表 18:Robocurve 测试发现 Fable 5.1 在输出较少 token 时完成了更多的工作.13 图表 19:Robocurve 测试结果.13 图表 20:Artificial Analysis 八类桌面任务测试.14 图表 21:Artificial Analysis 测试结果.14 图表 22:S0 基于人类数据的全身体制式控制.15 图表 23:Helix S1 视觉运动策略.15 图表 24:Helix S2 自主式长视距操控系统.16 图表 25:Helix S0-S2 架构.16 图表 26:国证机器人产业指数 2026 年三季度以来走势.17 图表 27:中证指数 CS 计算机指数 2026 年三季度以来走势.17 图表 28:国证数字传媒指数 2026 年三季度以来走势.18 图表 29:Optimus 位于费蒙市第一条产线.18 图表 30:上纬新材旗下启元机器人.19 图表 31:奥比中光部分相机产品矩阵.19 图表 32:禾赛 Kosmo 生成的数据能针对目标机器人的相机特性做视觉适配.20 图表 33:索辰科技物理 AI 数据与训练平台.20 图表 34:凡拓具身智能训练场方案核心架构.21 行业专题研究报告 敬请参阅最后一页特别声明 4 扫码获取更多服务 一、技术变革:大模型能力向物理世界扩散,多重事件催化行情 1.1 高溢价交易验证世界模型的战略价值高溢价交易验证世界模型的战略价值 World Labs 的资本进展,为空间智能的战略价值提供了重要验证。公司由李飞飞与 Justin Johnson、Ben Mildenhall、Christoph Lassner 共同创立,核心团队覆盖机器学习、计算机视觉、三维生成与图形学。公司以空间智能为核心方向,聚焦物体、场景及交互关系建模;首款产品 Marble 支持从图像、视频、文本和三维布局创建具有空间一致性的场景。与主要处理文本和静态图像的任务相比,空间智能进一步要求模型理解位置、结构及环境变化,为 AI 从数字任务走向物理交互提供基础。图表图表1 1:MarbleMarble 可将图像、视频等输入转化为可探索的三维场景可将图像、视频等输入转化为可探索的三维场景 来源:Marble,国金证券研究所 世界模型正从早期研究走向产品应用。2018 年的World Models研究通过学习环境表征和变化规律辅助决策。World Labs 于 2024 年公开亮相时,媒体披露其已获约 2.3 亿美元融资;同年 12 月,公司展示可探索的持久三维场景,随后推进更大场景和实时交互生成。2026 年 2 月,公司宣布完成 10 亿美元融资,继续投入模型和产品研发。AMD 拟以约 82 亿美元收购 World Labs,表明计算平台竞争正向世界模型能力延伸。2026年 9 月 28 日,AMD 宣布签署收购 World Labs 的最终协议,交易以全股票方式进行,估值约 82 亿美元,预计于 2026 年底前完成,仍需满足监管审批等交割条件。我们认为,较大的交易规模反映出巨头对研究团队、空间生成能力及潜在工作负载的战略投入:世界模型既可能创造新的训练和推理需求,也可能影响机器人学习与仿真工具的开发方式。对计算平台而言,提前布局模型层有助于理解后续软硬件协同需求。交易估值体现战略价值,但在缺少同口径历史股权估值的情况下,不据此量化收购溢价率。国内世界模型企业融资提速,一级市场对技术与数据能力的定价同步上移。极佳视界围绕世界模型、具身模型与机器人本体构建产品体系。据直通 IPO报道,公司于 2026 年3 月至 6 月完成三轮融资,合计约 35 亿元。证券时报 4 月报道其估值突破百亿元,9 月的媒体报道则给出约 200 亿元的投前估值,反映出一级市场对世界模型能力的关注度提升。我们认为,融资节奏加快有望增强头部团队在算力、人才和数据侧的投入能力,推动模型与本体协同迭代;不同轮次的估值口径与交易条件存在差异,相关数据主要反映资本关注趋势。行业专题研究报告 敬请参阅最后一页特别声明 5 扫码获取更多服务 图表图表2 2:MarbleMarble 可将图像、视频等输入转化为可探索的三维场景可将图像、视频等输入转化为可探索的三维场景 公司公司 技术方向技术方向 20262026 年融资情况年融资情况 AMI Labs Yann LeCun 创立,基于视觉信息学习物理世界表征,侧重预测、推理与规划 3 月完成 10.3 亿美元种子轮 World Labs 空间智能及三维世界模型,可从图像、视频和文本生成持久化三维世界 2 月完成 10 亿美元融资 General Intuition 利用带动作标签的游戏视频训练世界模型和动作模型 6 月融资 3.2 亿美元,9 月再融资 2.2 亿美元,年内合计 5.4亿美元 Odyssey 通用世界模拟,通过实时交互视频学习物理规律、因果关系和环境变化 6 月完成 3.1 亿美元 B 轮融资 Decart 实时交互世界模型及底层推理基础设施,覆盖游戏、仿真和机器人 完成 3 亿美元 B 轮融资 VAST(三启万物)3D 原生基础模型及世界模型,面向游戏、工业设计和空间内容生成 7 月完成超 10 亿元 A3 轮;随后B/B+轮合计约30 亿元 极佳视界 世界生成模型与世界行动模型,向机器人及物理 AGI 延伸 36 月连续完成 10 亿元、15亿元和 10 亿元融资,合计 35亿元 来源:新加坡经济发展局、AMD、Coalition Capital、Odyssey、Radical Ventures、新华财经、中关村科学城、财新网、国金证券研究所 国内布局呈现机器人闭环、视频生成与三维世界构建多路线并行,空间智能的产业边界持续扩展。以爱诗科技旗下 PixVerse 为例,公司 2025 年 9 月宣布完成 6,000 万美元 B 轮融资,2026 年 3 月又宣布完成 C 轮融资并进入独角兽行列。腾讯的 HunyuanWorld 1.0研究面向可探索、可交互的三维世界生成;商汤在 2026 年中期业绩材料中披露了与 Ace Robotics 联合开发的 Kairos 3.1 世界模型。与强调机器人数据和执行闭环的企业相比,视频生成企业首先面向内容创作及交互体验,收入来源与估值基础有所区别。后续产业分化的关键,在于视觉生成能力能否进一步转化为可控、可验证的物理预测,以及能否嵌入客户的训练与部署流程。行业专题研究报告 敬请参阅最后一页特别声明 6 扫码获取更多服务 图表图表3 3:HunyuanWorld1.0HunyuanWorld1.0 架构架构 来源:Github,国金证券研究所 图表图表4 4:HunyuanWorld1.0HunyuanWorld1.0 可生成可生成 360360沉浸式沉浸式 3D3D 世界世界 来源:Github,国金证券研究所 1.2 模型御三家模型御三家加速加速布局物理布局物理 AI 头部模型厂商向物理 AI 延伸,有望成为机器人研发范式变化的重要推动力。OpenAI 以内部研究、外部投资及硬件团队建设探索产品路径;Google 连接视觉、动作、世界模型与端侧部署,技术体系相对完整;Anthropic 的公开布局更突出语言、编程和智能体,机器人方向以能力研究及外部接触为切入点。三家公司的路径虽有差异,但均指向通用智能与物理交互的结合。我们认为,模型平台持续迭代与专用本体工程能力相结合,有望降低重复研发投入,并推动行业形成更清晰的软硬件分工。1.2.1 OpenAI 明确机器人研发方向,通用模型与本体结合预期强化明确机器人研发方向,通用模型与本体结合预期强化 OpenAI 机器人研发方向进一步公开化,强化通用模型向实体终端延伸的预期。10 月 17日的媒体报道援引 Sam Altman 在 Sources 播客中的表态,称 OpenAI 将研发人形机器人,重点在智能系统。其产业意义在于,模型能力的输出形式有望从数字环境中的文本、代码与工具调用,扩展至真实环境中的任务理解、动作选择和执行反馈。Altman 此前还谈及 2027 年可能出现演示,提供了后续产品观察窗口。我们认为,管理层表态首先催化行业专题研究报告 敬请参阅最后一页特别声明 7 扫码获取更多服务 技术路线与组织投入预期,规模化应用仍取决于可靠性、安全性与成本的进一步验证。2026 年 9 月 3 日,OpenAI 发布 GPT-6 Astra。该模型在 ARC-AGI-3 交互式环境评测中录得 99.9%的成绩,并在 96%的关卡中超过人类行动效率基准。尽管该评测不等同于机器人实机测试,但反映出通用模型在陌生环境中的理解、规划和交互决策能力进一步提升,为向具身智能迁移提供了能力基础。图表图表5 5:GPTGPT-6 Astra6 Astra 在在 ARCARC-AGIAGI-3 3 交互式环境评测中表现领先交互式环境评测中表现领先 来源:OpenAI,国金证券研究所 OpenAI 已在算法研究、产业投资与硬件组织层面形成多轮探索,为本轮研发提供历史积累。其 2019 年论文已经展示利用仿真训练的策略控制机械手完成魔方操作。2023 年,OpenAI Startup Fund 领投 1X 的 A2 轮融资;2024 年 2 月,Figure 宣布包括 OpenAI Startup Fund 在内的投资方参与其 B 轮融资,并与 OpenAI 签署人形机器人模型合作协议。人员方面,Caitlin Kalinowski 于 2024 年 11 月加入 OpenAI 推进机器人与消费硬件工作,并于 2026 年 3 月离职。上述节点反映公司长期关注机器人方向,当前合作与团队状态仍需结合最新公开披露分别判断。图表图表6 6:OpenAIOpenAI 20192019 年论文展示利用仿真训练的策略控制机械手完成魔方操作年论文展示利用仿真训练的策略控制机械手完成魔方操作 来源:Arxiv,国金证券研究所 行业专题研究报告 敬请参阅最后一页特别声明 8 扫码获取更多服务 图表图表7 7:OpenAIOpenAI 结合视觉状态估计与控制策略将机械手迁移至真机结合视觉状态估计与控制策略将机械手迁移至真机 来源:Arxiv,国金证券研究所 通用能力复用有望改变机器人研发的成本结构,是本轮布局区别于早期专用策略研究的关键。多模态理解、代码生成与工具使用能力提升,使任务解释、环境识别和规划流程能够在更多场景中复用,减少逐项开发的投入。对本体企业而言,上层模型能力若能通过接口持续升级,既有硬件便有机会承接更多任务,研发重心也可进一步转向动作可靠性与场景交付。OpenAI 的产业影响因此不仅在于是否推出一款整机,更在于其模型迭代能否成为多个机器人平台共同受益的能力来源。OpenAI 的产品组织方式将影响产业链受益环节,接口开放与部署验证是后续重点。若采取整机协同开发路径,核心零部件、制造和系统集成的重要性将上升;若通过模型接口、合作或授权向本体厂商输出能力,则更有利于扩大既有硬件平台的应用范围。当前阶段建议优先跟踪产品规格、对外接口、任务可靠性与批量部署信息,以产品和采购进展判断供应链弹性。管理层研发表态构成预期催化,向上市公司收入传导仍需经历客户认证与实际交付。1.2.2 Google 多年投入形成跨层技术体系,模型与仿真协同构筑优势多年投入形成跨层技术体系,模型与仿真协同构筑优势 Google 在机器人领域布局较早且投入具有连续性。从RT-1 到 Gemini Robotics 2,其升级主线较为清晰:先用统一模型学习多种动作,再引入互联网知识和空间推理,随后加强长任务规划、跨本体迁移及全身控制。机器人模型的竞争重点,也由“能否完成一个动作”逐步转向“能否理解任务、适应变化并持续执行”。2022 年 12 月,Google 发布 RT-1,将摄像头图像和语言指令作为输入,直接输出机器人动作。模型使用 13 台机器人在 17 个月内采集的约 13 万次操作数据训练,覆盖 700 余项任务。相比为每项任务单独开发策略,RT-1 的进步在于让一个模型学习多种操作,并适应新的物体和环境,为机器人模型规模化训练奠定基础。图表图表8 8:GoogleGoogle RTRT-1 1 架构架构 来源:Google Research,国金证券研究所 2023 年 7 月,Google 发布 RT-2,将大规模视觉语言预训练与机器人操作数据结合,形成视觉语言动作模型,即 VLA。相比主要从机器人示范中学习的 RT-1,RT-2 能够利用通用知识理解未专门训练过的指令,例如判断哪种物体可以临时充当锤子。在官方未见场景测试中,其表现由 RT-1 的 32%提升至 62%,验证了通用模型知识向机器人操作迁移的价值。行业专题研究报告 敬请参阅最后一页特别声明 9 扫码获取更多服务 图表图表9 9:GoogleGoogle RTRT-2 2 架构与训练架构与训练 来源:Google Research,国金证券研究所 2023 年,Google 与多家机构推进 Open X-Embodiment 及 RT-X 研究,汇集 22 种机器人的数据。其核心变化是,不同机器人采集的经验可以共同训练模型,并改善其他平台的表现。这一路线为后续跨本体迁移提供基础,也有望降低每款新机器人从头采集数据和训练模型的成本。图表图表1010:GoogleGoogle RTRT-1 1-X X 与与 RTRT-2 2-X X 架构图架构图 来源:Arxiv,国金证券研究所 图表图表1111:GoogleGoogle RTRT-1 1 与与 RTRT-1 1-X X 在小数据集场景下的成功率对比在小数据集场景下的成功率对比 来源:Arxiv,国金证券研究所 2025 年 3 月推出的 Gemini Robotics-ER 模型侧重具身推理,能够识别物体及其局部、寻找不同视角下的对应点,并检测三维空间中的物体。例如,看到杯子后,模型可以判断杯柄的抓取位置和接近路径。它可结合既有底层控制器,串联感知、状态估计、空间理解、规划和代码生成;在官方端到端测试设置中,成功率为 Gemini 2.0 的 2-3 倍。代码生成不足以解决任务时,还可通过上下文学习利用少量人类示范。其定位是增强机器人理解与规划,而非替代全部底层控制。行业专题研究报告 敬请参阅最后一页特别声明 10 扫码获取更多服务 图表图表1212:GoogleGoogle-ERER 能够识别物体、指向物体的各个部分能够识别物体、指向物体的各个部分 来源:Google Research,国金证券研究所 2026年 7 月,Google 推出 Robotics 2、ER 2 和 On-Device 2 三类模型。Robotics 2 将控制范围扩展至行走、下蹲、伸展与手部操作,使机器人能够移动到目标位置后完成任务;ER 2 加强持续数分钟的任务规划、进度跟踪和失败纠正,并支持不同机器人协作;On-Device 2 则继续降低新本体适配成本。相比上一代,升级重点是将移动、操作和长任务组织起来,但多指精细操作与执行速度仍有提升空间。图表图表1313:Robotics Robotics 2 2 搭载搭载 InspireInspire 灵巧手的全身操作任务成功率灵巧手的全身操作任务成功率 来源:Google DeepMind,国金证券研究所 图表图表1414:Robotics 2Robotics 2 搭载搭载 SharpaWaveSharpaWave 五指灵巧手的精细操作任务成功率五指灵巧手的精细操作任务成功率 来源:Google DeepMind,国金证券研究所 行业专题研究报告 敬请参阅最后一页特别声明 11 扫码获取更多服务 跨层协同而非单一模型参数,是 Google 机器人体系的核心观察点。高层推理负责理解任务与执行进度,动作模型将观测转化为控制目标,端侧部署则承接低延迟和稳定运行需求。上层能力迭代能否转化为下层策略泛化,合成数据能否改善实机表现,以及新本体适配成本能否下降,将共同决定体系优势的兑现程度。我们认为,具备模型、数据、仿真和部署工具积累的平台,更有条件缩短研发反馈周期,但本体适配仍是落地必经环节。对产业而言,平台能力的逐步完善有望降低开发者整合多个独立模块的成本,推动机器人研发从定制工程向工具化、平台化演进。1.2.3 Anthropic 以能力研究与外部接以能力研究与外部接触补充机器人储备触补充机器人储备 Anthropic 补充物理交互能力具备战略合理性,外部团队可能成为技术与数据积累的补充路径。外媒曾报道 Anthropic 与 Physical Intelligence 有收购接触;PI 否认已达成交易。语言、编程与工具使用为高层智能提供基础,而真实机器人研发还依赖交互数据、硬件工程和持续试验条件。相较完全自建,合作、投资或并购有望缩短能力储备周期,但目前相关信息仍属接触报道,尚不足以形成正式交易判断。Anthropic 已有公开机器人研究,能力补足的重点在于将通用智能与控制、数据和部署环节连接。Anthropic 于 2026 年 7 月发表机器人能力研究,比较直接控制、程序控制以及调用已有策略等路径。相关研究为通用模型如何参与物理任务提供实验依据。相较 Google较完整的多层产品体系,Anthropic 在本体控制、世界模拟及部署工具方面的公开布局仍有扩展空间,其后续进展值得从控制接口、真实测试和外部合作三个维度持续跟踪。图表图表1515:Anthropic EmbodyAnthropic Embody 测评各大模型机器人控制能力测评各大模型机器人控制能力 来源:Anthropic,国金证券研究所 巨头的竞争边界向真实交互延伸,将提高独立具身模型企业的差异化要求。对通用模型企业而言,外部团队的潜在价值在于补充真实数据、硬件工程和试验条件;对专用模型企业而言,可持续竞争力则更多取决于难以复用的数据资产、动作能力及部署经验。我们判断,行业分工可能从各自构建完整模型栈,逐步转向通用能力与专用能力协同。拥有真实任务积累、控制能力及客户场景的团队,有望在这一过程中保持更强议价能力。1.3 英伟达持续强化英伟达持续强化 Physical AI 框架,框架,NVIDIA 全栈布局降低开发门槛全栈布局降低开发门槛 NVIDIA 对 Physical AI 的持续投入,正将产业愿景转化为覆盖开发、训练与部署的基础设施。2024 年 3 月宣布 Project GR00T;2025 年 3 月发布 Isaac GR00T N1 并更新 Cosmos相关工具;2026 年 10 月 21 日柏林 GTC 期间,进一步扩展世界模型训练、评估与部署工具。其中,2025 年 1 月 CES 发布 Cosmos 是重要节点,黄仁勋将世界基础模型与机器人发展的下一阶段联系起来,强调降低开发者获取数据和训练模型的门槛。模型、合成数据与仿真工具持续完善,有望推动机器人开发流程逐步标准化。行业专题研究报告 敬请参阅最后一页特别声明 12 扫码获取更多服务 图表图表1616:NVIDIA Isaac GR00TNVIDIA Isaac GR00T N1N1 来源:NVIDIA,国金证券研究所 柏林 GTC 强化采集、模型、仿真与部署协同,Physical AI 的产业内涵进一步清晰。黄仁勋在柏林主题演讲中介绍的人形机器人参考平台,连接了 Isaac Capture、GR00T、Isaac Lab 与 Isaac OS 等环节。GPU 提供训练与推理算力,Omniverse 承接数字环境构建,Isaac 服务机器人开发和仿真,Jetson 面向端侧部署,Cosmos 与 GR00T 分别补充世界建模与机器人智能。由此,Physical AI 的受益范围由人形机器人本体,扩展至自动驾驶、工业设备及其他具备感知、决策和执行需求的系统。图表图表1717:黄仁勋在柏林展示人形机器人参考平台黄仁勋在柏林展示人形机器人参考平台 来源:NVIDIA,国金证券研究所 开发工具标准化有望扩大机器人研发需求,同时推动第三方厂商向专业化环节集中。现实采集、数字环境构建、模型训练、仿真评估及真实部署连接后,研发流程能够形成持续反馈,降低重复建设和试错成本。但基础工具普及也意味着通用功能更易获取,第三方软件的商业价值将更多来自复杂物理求解、真实场景数据及行业交付能力。对国内厂商而言,既有工业客户、场景资产和仿真积累能否转化为机器人训练所需的产品,是承接需求扩张的关键;与海外平台适配只是入口,客户付费与复用率才决定持续收入。资本投入、模型扩散与工具链完善,共同构成本轮物理 AI 的催化闭环。World Labs 交易体现巨头对空间智能的战略定价,模型御三家推动通用能力向机器人迁移,NVIDIA 则补充训练、仿真与部署基础设施。我们认为,三类进展使机器人研究框架由本体和零部件,进一步扩展至数据采集、世界模型与训练软件。短期催化集中在技术和产品发布,中期验证重点则是模型能力能否转化为任务改善、客户导入与实际收入,产业链各环节的兑现节奏将存在差异。行业专题研究报告 敬请参阅最后一页特别声明 13 扫码获取更多服务 二、产业进展:通用模型开始参与操作,公开评测提高行业能见度 2.1 通用模型涌现具身能力通用模型涌现具身能力 通用模型已能借助工具接口参与机械臂操作。Robocurve 的测试将模型接入 YAM 机械臂,通过相机和机器人状态获取观测,再调用末端位姿接口;逆运动学由机器人系统处理。Fable 5.1 等现成模型因此能够完成识别、规划和动作调用。其意义在于减少高层任务的专项开发,但系统仍依赖标定、控制器和安全约束。图表图表1818:RobocurveRobocurve 测试发现测试发现 Fable 5.1 Fable 5.1 在输出较少在输出较少 tokentoken 时完成了更多的工作时完成了更多的工作 来源:Anthropic Robocurve,国金证券研究所 抓放取得进展,精细接触仍是短板。Robocurve 报告中,积木入碗任务里 GPT-6 Astra 完成 19/20 次,Fable 5.1 完成 8/20 次;圆形拼图嵌入任务中,两者均仅完成 2/20 次。两款模型在积木任务的平均每次试验耗时分别为 2.5 分钟、6.8 分钟,拼图任务为 3.4 分钟、5.9 分钟。每模型每任务仅测试 20 次,且存在设备台次和测试时间差异,结果尚不能代表工业可靠性。图表图表1919:RobocurveRobocurve 测试结果测试结果 来源:Anthropic Robocurve,国金证券研究所 总体来看,本轮模型升级的核心变化并非单项任务成功率的提升,而是通用模型开始涌现具身能力。在未针对特定机器人本体进行大规模微调和后训练的情况下,模型已经能够根据语言指令和摄像头画面完成任务理解、空间定位、轨迹规划,甚至生成可交互的仿真环境。这意味着机器人智能正在由依赖专用模型和单一本体训练,逐步转向由通用模型提供基础能力。2.2 机器人机器人 Benchmark 的诞生的诞生 大语言模型已经形成较成熟的公开榜单和标准化测试,模型能力可以通过统一题目持续比较。具身智能的评测则更加复杂,不同机器人在硬件结构、传感器、控制接口和任务环境上存在明显差异,企业发布的演示视频也往往缺少统一测试条件,难以直接横向比较。BEHAVIOR Challenge 等赛事较早尝试建立具身智能评测体系,在模拟家居环境中测试机器人的任务理解、长程规划和操作能力。但由于任务复杂、评测成本较高,公开参赛团队及可比结果仍然有限;同时,模型排名可能影响外界对公司技术能力和估值的判断,企行业专题研究报告 敬请参阅最后一页特别声明 14 扫码获取更多服务 业公开参评的意愿相对谨慎,具身智能尚未形成类似大语言模型榜单的广泛影响力。Artificial Analysis 推出的 AA-Robotics v0.1 进一步降低了横向比较的难度。该评测在统一机械臂、桌面环境和任务条件下,让模型根据摄像头画面自主编写控制代码,零样本完成按按钮、倒水、收纳积木、形状匹配、写字、搭塔和物体测量等 8 项任务,综合考察视觉理解、空间推理、任务规划和动作控制能力。图表图表2020:Artificial AnalysisArtificial Analysis 八类桌面任务测试八类桌面任务测试 来源:Artificial Analysis,国金证券研究所 图表图表2121:Artificial Artificial AnalysisAnalysis 测试结果测试结果 来源:Artificial Analysis,国金证券研究所 从结果看,GPT-6 Astra 以 69.4 分排名第一,GPT-6.1 Sol、Gemini 4 Argon、Claude Opus 5.5 和 Claude Fable 5.1 分别获得 64.6、55.3、48.8 和 46.3 分。五款模型均能完成按按钮和放置玩具等简单任务,但在倒水、搭建积木和精确测量等任务上明显分化,其中没有模型完整完成尺寸测量,说明通用模型已经具备基础机器人操作能力,但精细控制和复杂接触仍是主要短板。Benchmark 的出现意味着具身智能正在从依赖演示视频和公司叙事,逐步进入统一测试、横向比较和持续迭代的阶段。随着评测体系完善,模型能力进步将更容易被跟踪,具身智能产业的技术能见度和基本面可验证性也有望进一步提升。行业专题研究报告 敬请参阅最后一页特别声明 15 扫码获取更多服务 2.3 S0、S1、S2 构成具身智能的分层架构构成具身智能的分层架构 随着机器人任务复杂度提升,单一模型难以同时兼顾高层推理、快速反应和底层控制,分层架构逐渐成为行业共识。Figure Helix 02 是其中的代表性系统,其将机器人智能划分为S0、S1 和 S2 三层,使不同模型按照各自适合的频率运行,形成从任务理解到电机执行的完整链路。S0 是底层控制和执行层,负责将位置、姿态和关节目标转化为连续的执行器指令,并处理全身平衡、接触和动作协调。Helix 02 的 S0 以 1,000Hz 运行,保证机器人动作的实时性和稳定性。该层对运动控制、硬件适配和工程经验要求较高,也是国内机器人本体及零部件企业积累相对深厚的环节。图表图表2222:S0S0 基于人类数据的全身体制式控制基于人类数据的全身体制式控制 来源:Figure Helix 02,国金证券研究所 S1 是 VLA 或动作策略层,根据摄像头、触觉传感器和机器人状态生成下一步动作。Helix 02 的 S1 以 200Hz 输出全身关节目标,再由 S0 完成底层执行。不同模型的接口并不完全相同,部分 VLA 直接输出关节或末端动作,部分模型则生成轨迹或未来视觉状态,再由控制器转换为机器人指令,因此不能简单将 S1 统一理解为输出带轨迹的图像。图表图表2323:HelixHelix S1S1 视觉运动策略视觉运动策略 来源:Figure Helix 02,国金证券研究所 S2 是高层语义理解和任务规划层,负责理解语言指令、识别场景并拆解任务。在 Helix 02中,S2 输出语义目标,引导 S1 生成动作;在其他技术路线中,S2 也可以引入世界模型,预测动作对环境造成的变化,并据此调整后续规划。行业专题研究报告 敬请参阅最后一页特别声明 16 扫码获取更多服务 图表图表2424:Helix SHelix S2 2 自主式长视距操控系统自主式长视距操控系统 来源:Figure Helix 02,国金证券研究所 三层系统共同构成闭环:S2 确定任务目标,S1 根据实时感知生成动作,S0 完成稳定执行,传感器再将环境变化反馈给上层模型并重新规划。该架构兼顾通用模型的推理能力与底层控制的实时性;随着 S2 进一步融合世界模型,机器人将不仅能够理解当前环境,还可以预测动作执行后的状态变化,为长程规划和闭环纠错提供基础。图表图表2525:Helix SHelix S0 0-S2S2 架构架构 来源:figure,国金证券研究所 2.4 巨头入局巨头入局有望有望加速具身智能进入产业化阶段加速具身智能进入产业化阶段 模型巨头进入物理 AI,首先将增强 S2 层的任务理解、场景推理和长程规划能力。随着多模态模型进一步融合空间理解和世界模型,机器人能够更准确地理解语言指令,并预测动作可能造成的环境变化。未来机器人公司即使缺少自研基础模型,也有望通过接入通用模型获得基础的高层智能。在此基础上,模型巨头的能力还可能继续向 S1 动作策略层渗透,将视觉、语言和机器人状态直接转化为动作或轨迹。通用 VLA、模型接口和开发工具逐步开放后,机器人企业训练基础智能的门槛有望下降,整机的任务理解和操作能力下限将被整体抬高。但巨头入局并不意味着所有具身模型公司都会受益。如果 S2 能力逐渐由通用模型统一提供,S1 也被基础模型部分吸收,缺少数据、场景或硬件壁垒的独立 VLA 和世界模型公司,其技术稀缺性可能下降。行业竞争重点将进一步转向 S0 底层控制、真实任务
展开阅读全文